Die Suche nach leistungsfähigen Materialien für Festkörperbatterien gilt als große Herausforderung. Eine KI sorgt nun jedoch für Tempo, indem sie mithilfe von Raman-Signalen geeignete Kandidaten identifiziert.
Festkörperbatterien versprechen hohe Energiedichten und Sicherheit, doch die Suche nach passenden Materialien bremst die Entwicklung bisher aus. Die Identifizierung geeigneter Elektrolyte im riesigen chemischen Raum gleicht der Suche nach der Nadel im Heuhaufen, da langwierige Labortests wertvolle Zeit kosten.
Eine neue KI-Pipeline siebt nun als digitaler Filter ungeeignete Materialien aus, bevor Forscher überhaupt das Labor betreten. Den entscheidenden Durchbruch liefert die Raman-Spektroskopie, die Licht an Atomen streut und so deren Bewegungen sichtbar macht.
Du willst nicht abgehängt werden, wenn es um KI, Green Tech und die Tech-Themen von Morgen geht? Über 12.000 Vordenker bekommen jeden Tag die wichtigsten News direkt in die Inbox und sichern sich ihren Vorsprung.
Nur für kurze Zeit: Anmelden und mit etwas Glück 50€ Amazon-Guthaben gewinnen!
Mit deiner Anmeldung bestätigst du unsere Datenschutzerklärung. Beim Gewinnspiel gelten die AGB.
Um die gewaltigen Rechenbarrieren der herkömmlichen Dichtefunktional-Störungstheorie (DFPT) zu überwinden, nutzt das Team effiziente KI-Surrogatmodelle. Diese Modelle berechnen die optischen Eigenschaften von Festkörpern in extrem kurzer Zeit und erreichen dabei nahezu die Präzision komplexer Standardberechnungen.
KI-Materialsuche für Festkörperbatterien
Zur Validierung unterzogen die Wissenschaftler ihre Künstliche Intelligenz einer Prüfung mit Silberiodid (AgI). Dieser Stoff gilt als Prototyp für Superionenleiter, ist aber aufgrund seiner atomaren Unordnung rechnerisch kaum zu bändigen. Die KI bildete die chaotischen Atombewegungen dennoch fehlerfrei ab und bewies damit ihre Praxistauglichkeit für hochkomplexe Systeme.
Erst nach diesem Erfolg übertrugen die Forscher das Verfahren auf moderne Natrium-Ionen-Leiter. Die Simulationen verknüpfen dabei atomistische Modelle direkt mit experimentell messbaren Raman-Signalen. Dadurch entstand ein verlässliches Werkzeug, das das Verhalten neuer Energieträger präzise vorhersagen kann.
Die Dateneffizienz des Modells beeindruckt in der praktischen Anwendung. Um die Polarisierbarkeit (die zentrale Größe für die Lichtstreuung) vorherzusagen, benötigte die KI lediglich 140 Trainingsbeispiele. Trotz dieser geringen Menge erreichte das System eine Genauigkeit von über 80 Prozent im Vergleich zur physikalischen Grundwahrheit.
Diese Effizienz spart kostbare Rechenleistung und macht das Screening riesiger Datenbanken erst wirtschaftlich möglich. Das Modell lernt, wie sich die elektrische Polarisierbarkeit während der Ionenwanderung im Festkörper verändert. Forscher können nun gezielt nach Stoffen suchen, die einen rasanten Energietransport ermöglichen.
Die digitale Abkürzung zum Festkörperakku
Der Vergleich zwischen dem dotierten Stoff NaSbWxS4 und dem Superleiter Na3PS4 macht den technologischen Unterschied deutlich. In der dotierten Variante springen Ionen nur etwa alle fünf Picosekunden entlang starrer Pfade von einem Platz zum nächsten. Da dieses Hüpfen die Kristallsymmetrie kaum stört, bleibt das Raman-Signal in diesem Bereich schwach.
Ganz anders verhält sich die Gamma-Phase von Na3PS4, in der Ionen förmlich durch das Gitter fließen. Bei diesem flüssigkeitsähnlichen Tanz geraten sogar die Schwefel-Atome der Wirtsstruktur in Schwingung. Diese totale Symmetriebrechung erzeugt einen intensiven Zentralpeak im Spektrum, den die KI sofort als Merkmal für Höchstleistung erkennt.
Die KI-Pipeline agiert als hocheffizienter Filter für die Materialwissenschaft der Zukunft. Sie klärt vorab, ob ein neuer Stoff das Potenzial für extrem kurze Ladezeiten besitzt oder lediglich langsame Sprungprozesse zeigt. So fließen wertvolle Ressourcen nur noch in die Synthese der aussichtsreichsten Batteriekandidaten.
Durch die Verschmelzung von Quantenchemie und maschinellem Lernen skaliert die Forschung die Suche nach Ionenleitern nun weltweit. Festkörperbatterien rücken damit einen entscheidenden Schritt näher an die industrielle Massenfertigung. Die Energiewende findet künftig nicht mehr nur im Labor, sondern zuerst in der intelligenten Simulation statt.
Auch interessant:
